Eleven Realtime v1 Max lidera la clasificación en velocidad y razonamiento del habla — y no tiene puntuación de índice

Eleven Realtime v1 Max responde en 0,57 segundos y obtiene un 98,8 % en Big Bench Audio, y Eleven Realtime v1 Mini responde en 0,62 segundos y obtiene un 76 % en la misma prueba. Esas dos cifras, leídas juntas, son lo más útil del anuncio de ElevenLabs del 20 de octubre de 2026 —no porque ninguna sea impresionante por sí sola, sino por la diferencia de 23 puntos entre ambas y porque la más débil es la que se obtiene por defecto. Los incidentes de IA y fallos de agentes documentados que hay detrás de los modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Hay un segundo dato aún más extraño en la misma tabla de clasificación. Artificial Analysis incluye ambos modelos con un tiempo hasta el primer audio, una puntuación de Big Bench Audio, una puntuación de dinámicas conversacionales, un Elo de arena y una tasa de éxito en tareas — y un guion donde debería estar el Speech to Speech Index. Max no tiene puntuación de índice. No una baja. Ninguna.

La razón es mecánica, y explica la mayor parte de lo que sigue. El índice es un promedio ponderado por igual de cuatro componentes: razonamiento del habla (Big Bench Audio), rendimiento agéntico en el benchmark de atención al cliente τ-Voice, preferencia en la arena y tasa de éxito en tareas. Un modelo necesita los cuatro para ser puntuado. Max tiene tres. E​levenLabs vende Max específicamente para "tareas complejas" con "uso de herramientas de varios pasos" — y el benchmark de uso de herramientas es el que nadie ha ejecutado con él todavía.

Lo que E​levenLabs realmente lanzó

La familia Eleven Realtime es un tipo de producto distinto de los modelos de texto a voz por los que se conoce a E​levenLabs. Cada modelo Realtime es una única red que se encarga del reconocimiento, la gestión de turnos, el paso de razonamiento y la generación de voz de forma conjunta, en lugar de ser un pipeline de voz a texto, un modelo de lenguaje y una voz de texto a voz unidos por un orquestador. La propuesta de E​levenLabs es que ajustar esas cuatro etapas como un solo sistema elimina las costuras: el medio segundo de silencio muerto tras dejar de hablar quien llama, el agente que habla por encima de una interrupción, la discordancia entre lo que oyó una transcripción y lo que la voz responde.

Se puede acceder a ambos modelos de dos maneras: dentro de ElevenAgents, donde eliges un modelo de un menú desplegable y la plataforma configura el resto, o mediante una Realtime API que es deliberadamente compatible a nivel de protocolo con la de OpenAI, en wss://api.elevenlabs.io/v1/convai/realtime. Cambia el endpoint y el nombre del modelo, y un cliente existente de OpenAI Realtime conserva sus controladores de eventos.

Lo que se lanzó el 20 de octubre es el anuncio, no la activación. La propia documentación de ElevenLabs sigue describiendo los modelos como «de despliegue gradual» y afirma que, en un espacio de trabajo que no tenga el ajuste de modo de voz, la API rechazará realtime_model directamente con «Realtime models are not available for this workspace». Además, los identificadores de los modelos son anteriores al ciclo de prensa: la entrada del registro de cambios del 3 de agosto sobre ElevenAgents señala que la configuración de agentes en tiempo real ya había empezado a usar por defecto eleven_realtime_v1_mini. Trate la fecha de lanzamiento como el día en que los datos se hicieron públicos, no el día en que se abrieron los endpoints.

Los dos modelos no son dos tamaños de lo mismo.

E​levenLabs presenta a Mini y Max como un dial de costo-calidad: Mini para asistentes, tutores y personajes; Max para soporte, calificación de leads y flujos de trabajo que usan herramientas. Las mediciones publicadas indican que el dial llega más lejos de lo que sugiere ese planteamiento. Estas son cifras de Artificial Analysis, ejecutadas de forma independiente en el mismo harness en lugar de citadas de la página de E​levenLabs:

• Razonamiento del habla (Big Bench Audio) — Eleven Realtime v1 Max 98.8% frente a Eleven Realtime v1 Mini 76%

• Tasa de éxito de la tarea — Max 87,1 % vs Mini 60,3 %

• Dinámica conversacional (Full-Duplex-Bench) — Max 94,1 % frente a Mini 95,8 %

• Preferencia de Arena (Elo): Max 997 vs Mini 988

• Tiempo hasta el primer audio — Max 0.57s vs Mini 0.62s

• Índice de voz a voz — Max sin puntuar vs Mini sin puntuar

Lea las últimas tres filas antes de las dos primeras. En lo que quien llama percibe conscientemente —¿suena esto a una conversación?—, Mini es el mejor modelo y el más rápido es Max por solo 50 milisegundos. La diferencia de 23 puntos en razonamiento y la de 27 puntos en éxito de tareas son reales y grandes, pero se manifiestan en si el agente hace el trabajo o no, no en si da gusto hablar con él. Ese es exactamente el equilibrio que hace una cola de soporte, y exactamente por qué importa el valor predeterminado: cada agente nuevo que nunca toca la configuración se ejecuta en el modelo que resuelve el 60,3 % de las tareas en lugar del 87,1 %.

La brecha también explica el guion en la columna del índice. Mini tampoco tiene una puntuación agéntica, lo cual no sorprende en un modelo posicionado como el económico. Max carece de ella pese a estar posicionado como el capaz.

Qué significa en la práctica la fila que falta

La tasa de éxito de tareas y τ-Voice no son la misma medición, y confundirlas es el error más fácil de cometer con esta versión. La tasa de éxito de tareas pregunta si la conversación terminó con la llamada a la herramienta final correcta. τ-Voice sitúa al modelo en un escenario réplica de atención al cliente —un cambio de vuelo, un cargo disputado, un problema de telecomunicaciones— con herramientas del dominio y un documento de políticas, y evalúa si la base de datos termina en el estado correcto. Es la diferencia entre «el agente llamó a la función correcta» y «el agente resolvió la solicitud sin infringir las políticas».

E​levenLabs comercializa Max precisamente para ese segundo cometido. La afirmación de la página del producto es que Max «razona sobre preguntas complejas y llama a herramientas para hacer las cosas sin ralentizar la conversación». Nada de lo publicado hasta ahora pone a prueba esa afirmación de principio a fin. La tasa de éxito en tareas del 87,1 % es una cifra contundente; también es la mitad más fácil de la evaluación, y está junto a una puntuación de dinámica conversacional del 94,1 % que se sitúa un punto y medio por debajo de la de Mini.

Para un equipo que decide hoy, el resumen honesto es que Max es el modelo de razonamiento del habla mejor medido del campo —su 98,8 % solo queda por detrás del 100 % de StepAudio 3 Realtime y del 99,2 % de Qwen Audio 3.0 Realtime Plus en la misma tabla— y que su comportamiento agéntico no está medido, mientras que el de sus competidores sí. Gemini 3.8 Live Extended Thinking tiene una puntuación τ-Voice del 68,6 %. GPT-Live-1 (Astra, medium) tiene 74,5 %. Max tiene un guion.

Cuánto cuesta un minuto de ello

E​levenLabs no publica una cifra por modelo. La facturación de Realtime es la tarifa estándar por minuto de ElevenAgents más los tokens de entrada, de entrada en caché y de salida a las tarifas propias del modelo Realtime, con Max más caro por token que Mini; el panel muestra un costo estimado por minuto, y la API de Realtime factura por minuto de audio conectado más tokens. La página de precios no tiene ninguna línea de Realtime.

Artificial Analysis normaliza todo eso en una sola cifra comparable: el coste de ejecutar un subconjunto fijo de 40 preguntas de Big Bench Audio, expresado por hora de audio de entrada. Ambos modelos de E​levenLabs se sitúan en $4.80. Esa cifra idéntica es lo interesante: sea cual sea el sobreprecio por token de Max, el cargo por minuto del agente domina la factura en volúmenes conversacionales, de modo que el modelo caro y el modelo barato cuestan lo mismo a la hora de conversar. El ahorro de Mini aparece donde los tokens son elevados, no donde el audio es largo.

Para ponerlo en perspectiva, con la misma medida: G​emini 3.8 Live cuesta $0.84 por hora, G​emini 3.8 Live Extended Thinking cuesta $3.50, G​PT-Live-1 (Sol, low) cuesta $4.47 y G​rok Voice 3.0 cuesta $4.80. Eleven Realtime tiene un precio en la mitad de la tabla, no en la parte más baja, y es aproximadamente 5.7 veces la tarifa estándar de G​emini Live.

Ese es el punto en el que una capa de enrutamiento se gana su lugar aunque no pueda tocar el modelo de voz en sí. Eleven Realtime solo está disponible a través de la propia API de E​levenLabs y en ningún otro sitio — ningún host de terceros ofrece eleven_realtime_v1_max, y OrcaRouter tampoco, así que no hay nada que enrutar para la capa de voz. Lo que sí puedes enrutar es todo lo que llama el agente: los servicios de consulta, las escrituras en el CRM, el resumidor que se ejecuta después de la llamada y el modelo de respaldo al que recurre una cascada cuando el modelo en tiempo real falla. En OrcaRouter esos son 209 modelos de 16 proveedores upstream con una sola clave, al precio de lista del proveedor sin recargo, así que la mitad de la factura que escala con el esfuerzo de razonamiento de quienes llaman es la mitad que realmente puedes optimizar.

El detalle de integración que decide tu semana

ElevenLabs hizo una apuesta que la mayoría de los proveedores en tiempo real no hizo: su API habla el protocolo de eventos Realtime de OpenAI. El ejemplo de siete líneas de la documentación importa OpenAIRealtimeWebSocket, RealtimeAgent y RealtimeSession desde @openai/agents-realtime, apunta el transporte a la URL de WebSocket de ElevenLabs y pasa model: "eleven_realtime_v1_mini". Todo lo demás —el secreto de cliente, la configuración de la sesión, la modalidad de salida de audio, la voz— permanece sin cambios.

El coste de esa comodidad es el transporte. No hay WebRTC en el lanzamiento; la documentación lo dice directamente, y cualquier integración de WebRTC tiene que pasar primero a WebSocket. Para los equipos que ya están en una integración de Realtime por WebSocket, eso no supone ningún problema. Para los equipos que construyeron sobre WebRTC porque maneja mejor el jitter y las redes móviles, se trata de una reescritura de la capa de transporte, no de un cambio de modelo.

La otra limitación es arquitectónica: los modelos Realtime se ejecutan en ElevenAgents y en la Realtime API como productos separados. Si necesitas números de teléfono, WhatsApp, una base de conocimiento, guardrails, pruebas con scripts o monitorización de conversaciones, estás en ElevenAgents, y las herramientas y el prompt de tu agente viajan con él. Si estás en la Realtime API, obtienes el modelo y los eventos, no la plataforma que los rodea. No puedes tener ambos en una sola conexión.

Donde no viaja

El despliegue es desigual de maneras que importan más a los equipos europeos e indios que a los estadounidenses:

• Residencia de datos: ambos modelos están disponibles en EE. UU. y la UE; India y Singapur solo reciben Mini, por lo que Max no es una opción para los agentes vinculados a esos entornos

• Cumplimiento normativo: el modo de retención cero y la compatibilidad con HIPAA son compatibles con Max en EE. UU. y la UE, y no son compatibles con Mini en absoluto

• Límite de tokens — Max requiere un límite de al menos 1,024 tokens, o ningún límite, y los nodos de flujo de trabajo no pueden anularlo

• Backends personalizados — El modo Realtime no está disponible mientras un agente utiliza un LLM personalizado o Amazon Bedrock; primero debes cambiar a un LLM integrado

• Transferencias de agentes — un agente en modo Realtime solo puede transferir a otros agentes en modo Realtime y desde ellos, aunque se permiten las transferencias de Mini a Max

Todas esas reglas se aplican en el momento de publicar, no al guardar. Un borrador que infrinja alguna se guarda igualmente; la publicación falla e indica el nombre del ajuste.

Qué ver

Dos resultados zanjarían este lanzamiento. El primero es una puntuación τ-Voice para Max — el único número que pondría a prueba la afirmación que E​levenLabs realmente está vendiendo. El segundo es el soporte de WebRTC, que es la diferencia entre un modelo que puedes demostrar y un modelo que puedes poner en una llamada móvil. Hasta entonces, la posición defendible es acotada y útil: Mini es una buena opción predeterminada para agentes conversacionales que no necesitan completar tareas, Max es el razonador sólido más rápido de la tabla y, posiblemente, el mejor agente de soporte, y nadie ha publicado todavía la prueba que demostraría la segunda mitad.